一种考虑用户舒适度风险偏好的家庭能量控制方法与流程

本发明涉及智能家居领域，尤其涉及一种考虑用户舒适度风险偏好的家庭能量控制方法。

背景技术：

随着智能电网的发展，以及智能电表和智能家居的普及，用户主动参与需求侧响应的能力得到提高。通过供给侧与需求侧，用户可以通过家庭能量管理系统(hems)达到最优化用户用电电费以及提升用电舒适度等目标。

可再生能源，例如光伏(pv)电力和风力发电机以及诸如电动车辆(ev)的柔性负载已经广泛应用于hems中。文献[1]中光伏发电预测与动态定价系统下的hems相结合，以减少支出并提高最终用户的舒适度。文献[2]中太阳能辅助热负荷由hieut.nguyen纳入模型。文献[3]使用pv将qoe方法引入hems。文献[4]中风力涡轮机作为可再生资源参与hems。文献[5]中能量共享算法增强了可再生能源利用率。文献[6]中电动汽车的v2h(vehicletogrid)和v2g(vehicletohome)能以及能量存储系统(ess)的双向能量交易的使用都在单个hems中考虑。文献[7]提出了一种随机动态规划框架来处理随机ev管理的优化问题。文献[8]ev中的v2g技术考虑了无功功率补偿，以提高家庭到电网连接的功率因数。

以上文献对于家庭能量管理系统的研究集中在用电设备对于hems的贡献上，部分文章考虑日前预测所造成的预测风险，采用随机规划，随机动态规划，鲁棒优化，机会约束规划等不确定处理方法，但是大部分文章并没有将多种不确定性风险考虑进来，也缺乏对于风险的划分。为了进一步实现对hems功能的拓展，需要综合考虑多种不确定性因素对于用户购电计划的影响。

技术实现要素：

本发明提供了一种考虑用户舒适度风险偏好的家庭能量控制方法，本发明能够有效综合考虑预测数据不确定性(不可中断负荷运行时间约束，电动汽车充放电时间，热水使用时间以及用量，不可控负荷用电功率，光伏出力，室外温度以及电价波动)的风险性，将该风险划分为舒适度风险与经济性风险，并且在家庭能量控制系统智能控制的大背景下，给予用户自主调整风险偏好的权利，详见下文描述：

一种考虑用户舒适度风险偏好的家庭能量控制方法，所述方法包括以下步骤：

根据用电设备的特性划分设备的类别；

日前根据历史数据预测获得第二天的预测数据，预测数据包括用户用电行为、光伏出力、室外温度以及电价波动；根据历史数据的统计，更新历史数据的概率分布函数；

考虑用户的舒适度风险偏好设定，对每种设备设置风险系数；考虑用户的购电成本风险偏好设定，将经济型风险系数考虑进风险成本作为目标函数中的一项；

对目标函数，采用改进的遗传算法求解，优化结果为考虑风险系数的用户购电费用最小；

考虑电网公司的购电越限要求，进行第二阶段优化，从多种结果中选择峰谷差最小的结果作为购电计划；

将获得的购电计划发至家庭能量控制终端，进行用电控制。

其中，所述改进的遗传算法具体为：

在选择的每一步中，将功率波动较少的1/4个体保存，并替代功率波动较高的1/4个体，对中间的个体轮盘赌选择；

交叉和变异操作采用自适应调节pc、pm值。

其中，k1和k2均为自适应调整参数，由得出的收敛效果自适应调节，fave为种群适应度平均值，fmax为种群适应度中最大值；

采用π/12≤arcsin(fave/fmax)＜π/3来判断交叉和变异的顺序，当种群处在进化初级以及进化末端时，先进行变异操作，再做交叉操作，加快收敛速度。

本发明提供的技术方案的有益效果是：

(1)本发明针对家庭能量控制日前调度有效考虑到预测不准确性对于优化结果的影响，相比较于不考虑风险成本或风险成本考虑得不够全面的方法，能够更加合理给予用户自主风险决策权，实现家居智能控制的同时考虑用户自身的意愿；

(2)本发明所提出的家庭能量控制方法采用改进自适应遗传算法和自适应惩罚函数联合求解，获得结果全局最佳，避免陷入局部最优。

附图说明

图1为考虑风险成本的家庭能量控制方法；

图2为家庭能量控制系统信息传输和能量流动架构；

图3为考虑遗传算法的改进家庭能量控制两阶段方法；

图4为考虑风险成本的家庭能量控制系统的结构示意图。

图5为电动汽车蓄电池的soc变化。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。

本发明在日前预测—调度的基础上考虑多种预测不确定性变量的波动性，通过建立风险系数体系，用户根据自身风险偏好设定风险系数，在考虑用户购电的经济性与舒适度的基础上，在日前阶段通过合理的优化算法得出合适的购电计划。

本文提出的智能家居系统包括几个模块：1)用户设置模块。用户通过人机界面对家庭环境内的设备进行参数设置，此模块实现了家庭能量管理的用户的个性化设定。2)检测模块。检测模块用于实现环境检测、设备检测和用户行为检测。3)预测模块。风电、光伏发电具有出力不稳定的特点，利用预测算法对其功率输出进行预测有利于提高它们的利用率，另外，也可以对家庭环境内的负载进行预测，这些预测结果用于优化调度过程以提高系统性能。4)优化调度模块。该模块是hems的核心，它根据用户设置、设备工作状态、环境信息、人员活动信息、电价信息、可再生能源的出力预测等信息对家庭环境内的可调度用电负载及储能系统的运行进行优化调度，达到用户预先设定的某一最优目标，比如最小化用户用电费用等。5)设备监控模块。该模块根据优化调度模块计算的结果对用电负载、储能系统的运行进行控制，实时监测设备的工作状态，并将设备的工作状态和当前的用电状态通过人机界面实时反映给用户。

如图1所示，本发明实施例提供的一种考虑用户舒适度风险偏好的家庭能量控制方法，具体包括以下步骤：

步骤1：根据用电设备的特性划分设备的类别；

步骤2：日前根据历史数据预测获得第二天的预测数据，预测数据包括用户用电行为(不可中断负荷运行时间约束，电动汽车充放电时间，热水使用时间以及用量，不可控负荷用电功率)、光伏出力、室外温度以及电价波动；

步骤3：根据历史数据的统计，更新历史数据的概率分布函数；

步骤4：考虑用户的舒适度风险偏好设定，对每种设备设置风险系数；

步骤5：考虑用户的购电成本风险偏好设定，将经济型风险系数考虑进风险成本作为目标函数中的一项；

步骤6：对目标函数，采用改进的遗传算法求解，优化结果为考虑风险系数的用户购电费用最小方案；

步骤7：考虑电网公司的购电越限要求，进行第二阶段优化，从多种结果中选择峰谷差最小的结果作为购电计划；

步骤8：将获得的购电计划发至家庭能量控制终端，进行用电控制。

实施例2

对于重要步骤的是实施例和具体过程进行说明。

一、在步骤1中，根据用电设备划分类别。

由于用电设备的用电特性不同，因此需要将用电设备合理划分，用电设备划分为以下几类：

不可控负荷：不可控型负荷是指用电时间或功率的变化，将对用户舒适度产生较大影响，例如电视机、台式电脑等。

可控型负荷：可以分为可中断型负荷和不可中断型负荷。可中断型负荷通常为无固定工作周期负荷设备，可以对负荷在工作期间的功率进行控制，如空调、热水器等；不可中断型负荷通常为有固定工作周期的设备，在负荷的工作周期内不能够随意启停，如洗碗机、电饭锅等。

二、在步骤3中，基于历史数据的统计更新预测数据的概率密度函数。

本文的预测数据具有随机性，根据历史数据预测更新预测数据的概率密度函数，对于与目标函数相关的随机变量，概率密度函数如下初始化：

1)光伏的概率出力ppv(t)～ppv,max(t)·β(a(t),b(t))，即：

其中，ppv,max(t)表示为每个时段最大光pmust(t)～n(μ1(t),σ1²(t))伏发电输出，光伏出力的功率输出区间为[0,ppv,max(t)]。a(t)和b(t)对应于相应的β分布参数。

ppv(t)的均值μ3(t)为

2)不可控负荷和电价波动，即：

pmust(t)～n(μ1(t)，σ1²(t))(2)

ρgrid(t)～n(μ2(t),σ2²(t))(3)

其中，μ1(t)和σ1(t)分别表示为不可控负荷功率波动的均值和方差；μ2(t)和σ2(t)分别表示为电价波动的均值和方差。根据正态分布函数3σ原则：数值分布在(μ-3σ,μ+3σ)中的概率为0.997，超出这个范围的可能性仅占不到0.3％，pmust(t)和ρgrid(t)上下限分别为[μ1(t)-3σ1(t),μ1(t)+3σ1(t)]，[μ2(t)-3σ2(t)，μ2(t)+3σ2(t)]。

对于与约束条件相关的随机变量，采用鲁棒优化的求解方法，因此不在本次步骤中更新概率密度函数。

三、在步骤4中，考虑用户的舒适度风险偏好设定，对每种设备设定风险系数。

日前预测值的不准确性会导致在日内阶段优化结果的鲁棒性无法得到满足，因此需要针对用户用电舒适度建立合适的风险系数指标。

1、不可中断负荷：

考虑用户可能提前或滞后使用电器的可能，假设用户倾向于在定义的运行时间区间中部使用用电电器，为进一步表示用户可能提前或滞后使用用电电器的可能性，其时间风险系数riloadi定义为：

式中，n表示设备的工作时长；tload,starti表示第i个负荷预设工作区间的允许开始时间；tload,endi表示第i个负荷预设工作区间的允许结束时间；tload,i表示第i个负荷优化的起始时间；除数是作为归一化使用的，下标i对应于每一个不可中断负荷。

2、可中断负荷：

可中断型又包括温控型，储能型等负荷，选取非蓄冷式空调和电热水器作为典型温控负荷研究，选取电动汽车作为储能型负荷。

1)空调负荷

由于热力学模型中室外温度通过日前预测得出，为随机变量，其波动性会造成调度结果中室内的温度波动。因此在日前调度时，考虑到用户对温度舒适度的要求，基于归一化方式的风险系数在制冷状态下描述如下：

式中，tend表示运行结束时间，tin(t)表示第t时段的室内温度；tair,max，tair,min分别为室内温度上下限。

2)热水器

热水器模型中用户用水量为预测得出，具有随机性。与空调的风险系数类似，同时，需要考虑到热水器在连续用水期间用户用水越限可能更大，对其风险系数权重分配较大，未用热水或用热水量较小时段权重分配较小，热水器对应的温度风险系数表述如下：

式中，wt表示针对热水使用情况分配的权重大小，teh(t)为热水器热水在第t时段的温度；teh,max,teh,min分别为电热水器的热水上下限温度。

3)电动汽车

由于电动汽车模型中电动汽车到达时间，出发时间以及初始电量为预测得出，为随机变量。因此，要考虑电量风险系数和时间风险系数对购电计划的影响。

电量风险系数：

式中，soc(t)为蓄电池t时间段的储能；tev,end表示电动汽车允许充电的结束时间。socmax,socmin分别为电动汽车蓄电池储能上下限。socmust表示需要完成的充电量。

时间风险系数：

式中，tev,star和tev,end分别是ev的预先允许开始充放电时间和结束充放电时间。tev,start^real和tev,end^real分别是实际允许的开始充放电和结束充放电时间。

三、在步骤5中，考虑用户的购电成本风险偏好设定，将经济型风险系数考虑进风险成本作为目标函数中的一项。

根据步骤3中的概率密度函数，本发明采用条件风险成本(cvar)计算潜在经济成本：

相对cvar值可表示为：

ccvar＝c(β)σ(12)

式中，σ为正态分布标准差，这里为β为置信度，为标准正态分布n(1，0)的概率密度函数，φ^-1(β)为标准正态分布n(1，0)的上侧β分位数。在置信度选定的情况下，c(β)为定值。

对于电网交换功率，由下述公式获得：

pgrid(t)＝pmust(t)+pair(t)+pheat(t)+pload(t)+pev(t)-ppv(t)(13)

式中，pgrid(t),ppv(t)和pev(t)分别是在第t时间段内的购电功率，可再生能源发电功率,以及电动汽车充放电功率。pmust(t),pheat(t),pair(t)和pload(t)分别是不可调整负荷，热水器，空调以及第t时间段内的不可中断负荷的功率。

当引入风险程度λ∈(-1,1)时，功率可表述为：

当用户越倾向于接受风险时，λ越接近1，此时用户更倾向于去相信第二天的光伏发电值会大于均值，不可调整负荷值会小于均值；相反，越倾向于规避风险时，λ越接近-1，此时用户更倾向于去相信第二天的光伏发电值会小于均值，不可调整负荷值会大于均值，可供用户使用的可再生能源发电量越小。

因此，可计算出考虑风险成本的家庭能量管理目标函数为：

minc1＝e(b)+w·ccvar(b)(15)

其中，权重系数w与前述的λ负相关：当λ越大时，意味着用户越易于接受风险，对于风险越不敏感，w越小；当λ越小时，意味着用户越易于回避风险，对于风险越敏感，w越大。

四、在步骤6中，对于改进的自适应遗传算法做出如下改进：

1、选择

本文在选择的每一步中，将个体净支出(或功率波动)较少的1/4个体保存，并替代净支出(或功率波动)较高的1/4个体，对中间的个体轮盘赌选择，为下一步的自适应交叉和变异提供基础。

2、交叉和变异

交叉和变异操作采用自适应调节pc、pm值。

其中，k1和k2均为自适应调整参数，由得出的收敛效果自适应调节，fave为种群适应度平均值，fmax为种群适应度中最大值。

另外采用π/12≤arcsin(fave/fmax)＜π/3来判断交叉和变异的顺序，当种群处在进化初级以及进化末端时，种群适应度有可能出现非常分散或非常集中现象，此时先对原式进行变异操作，再做交叉操作，加快收敛速度。

五、在步骤7中，考虑电网公司的购电越限要求，进行第二阶段优化，从多种结果中选择峰谷差最小的结果作为购电计划。

第一阶段的优化目标函数会让用户的净支出成本最小，然而单纯让用户的净支出经济成本最小，会导致一种问题：不可中断负荷和电动汽车蓄电池的某一时段或者某几个时段的充放电量会转移到其他电价相等或者电价之和相等的几个时段，从而会造成多解问题，为了解决这种问题，需要引入第二阶段优化目标函数，该目标函数表述为：

式中，表示为购电功率平均值，wgrid(t)与电价成反比。整个式子表示为考虑峰谷差的用户整体购电波动性。该式子是为了降低由于用户在同一电价低谷时段集中购电而造成某一时段越限的风险，达到将购电功率平滑的流程。

另外，优化决策变量为电动汽车蓄电池功率和可调整负荷的启动时间，因此，其他变量应按照第一阶段优化后的结果继续运行。

在优化策略方面选择自适应惩罚函数，即将约束条件引入原目标函数形成新函数，做法如下：

不等式约束在文中表示为h(u,x)≤0，不等式约束hi(u,x)的惩罚项为：

与第二阶段优化对应的惩罚函数系数γi，表示为：

其中，α＞0是一个对γi需要调整的参数，具体可取[0,10]之间的一个整数(本文中选取1)，ρ代表对应于可行解的比例。

步骤8：将获得的购电计划发至家庭能量控制终端，进行用电控制。

以上优化过程获得的结果为各个可控用电电器的运行时间以及在运行时间内的运行功率，并根据分时电价计算出相应的用户总用电电费。由于用户移动、增减用电负载等操作会造成网络拓扑结构频繁改变，因此不适于采用有线方式组建家庭能源管理系统通信网络。无线通信技术是当前组建家庭能源管理系统家域网的主流技术，其中zigbee技术由于具有低功耗、自组织、拓扑结构灵活、低成本等优点，是家庭能源管理系统家域网最常用的通信方式。作为基于ieee802.15.4标准，并使用全球通用频段2.4ghz频段的最新版本，zigbee的通用性很强，是一种适用于近距离控制的低速率、低功耗、低成本通信技术。当网络节点发生故障时，不需人工干涉，便会自动修复。zigbee设备可分为协调器，路由器和终端三个主要功能部件。协调器属于全功能设备，负责网络组建、分配网络地址等；路由器功能主要体现在通过转发其他节点的消息，实现监视和控制功能，当然也允许更多的节点进入网络；终端属于全功能设备或者精简功能设备，执行采集数据传输的设备但是不能转发其他数据的消息。

所得的hems控制信息通过无线传输系统传递到能量控制终端：控制终端通过智能插座进行对用电电器的控制。

智能插座，是一种全新理念的安全插座。该系列产品是集一路可编程(plc)自动控制安全节能转换器和电器智能化待机节电插座于一体的新型智能安全插座。该类型智能插座主要功能是节电、安全。主要用于家用及办公用电器，将智能ic芯片嵌入插座中自动在线检测电流变化从而实现电器待机自动断电，解决"待机能耗"问题。该智能插座采用无线网络感应的方式来开启电源，不改变人们原有使用电器的习惯，使用更方便，真正做到省电。并且内设防雷电、防高压、防短路、防过载的功能，真正做到安全。该智能插座系列插座会自动检测电器的电流变化从而断电，彻底消除待机能耗问题，节能减排、绿色环保。

算例分析

本文通过一实际家庭的仿真算例验证所提方法的有效性。算例采用一个含有电网，光伏分布式电源，储能设备，和若干负荷的能量控制系统。该系统中的分布式电源只有一个，即是太阳能光伏发电设备。负荷为一台制冷热的空调，一台储水式电热水器，一台洗衣机，一台洗碗机，一台电饭锅，一辆电动汽车。

本方法将一天24个小时分为48个时段，即每半小时一个时段。1时段代表00:00-0:30、48时段代表23:30-24:00，以此类推。储能型负荷为电动汽车，最大容量为5kwh，电动汽车最终需要完成的soc充电量为0.9，允许充放电时间段为17:00-8:00(第二天)，充电和放电效率为90％。电池组的最大充放电功率为2kw，电池组最初容量状态为1.5kwh。

负荷中空调设备为可制冷可制热双向空调设备。最大制热功率为2kw，最大制冷功率为3kw，最高忍受温度为30℃，最低忍受温度为18℃，室温初始值为27℃。热水器设备是带有一定储水能力的电热水器。热水器容量80l，允许水箱热水最高温度80℃，最低温度32℃，电热水器水箱热水初始温度40℃。电热水器水箱热耗散系数5％，最大加热功率为2.5kw。环境冷水温度设定为15℃。

用户设定理想热水温度为40℃。洗衣机设定工作开始阶段时间为18：00-24:00，功率为600w，工作时长1个时段。洗碗机设定工作开始阶段时间为18:00-24:00，功率为800w，工作时长1个时段。电饭锅工作在3个工作周期，工作开始时间分别设定为6:00-8:00，9:00-12:00，15:00-18:00，功率为1kw，工作时长1个小时。

本方法提出的改进算法通过表1的对比得出：

表1算法效果对比

为了阐明所提方法的优点，将所提出的自适应方法的效果与其他算法的效果进行了比较，包括gbpso，原始自适应ga和ga，如表1所示。从表中可以看出虽然gbpso和原始自适应遗传算法可以提高遗传算法的迭代收敛性能，但与新自适应遗传算法的性能相比，它们仍然无法实现全局最优解。本方法提出的改进自适应措施有效解决以往优化算法的收敛问题。

通过各个风险系数的灵敏度分析，可得出以下结果：

表2温度风险系数灵敏度分析

表3时间风险系数灵敏度分析

表4时间风险系数灵敏度分析

表5电价风险系数变化时支出变化

表2-4所示为用户设置的风险系数改变对优化后的电费影响。可见，随着用户对温度风险系数、时间风险系数与电量风险系数要求的越高，在使用热水时热水器中热水温度越高，在用户额外用水时将会有更好的抵御作用。表5所示，对电价风险系数而言，伴随着用户对于风险接受程度的加大，用户会认为从电网购电功率减少，用户用电期望净支出会有所减少，但是适用场合更偏向于预测值较乐观的情况。对于预测值较悲观的情况，应该尽量减少对于风险程度的接受。

表6riev^bat＝0时电动汽车蓄电池充电功率

表7riev^bat＝0.5时电动汽车蓄电池充电功率

表8riev^bat＝0.75时电动汽车蓄电池充电功率

表6-8为以电动汽车为例，用户设置的风险系数变化时电动汽车蓄电池充放电功率变化的结果。由表格可见，当设置的风险系数增加时，电动汽车蓄电池充电功率与放电功率的平均差逐渐增大，对于抵御额外用电的风险能力增加。

参考文献：

[1]y.iwafune,t.ikegami,j.g.d.s.fonseca,t.oozeki,andk.ogimoto,“cooperativehomeenergymanagementusingbatteriesforaphotovoltaicsystemconsideringthediversityofhouseholds,”energyconversionandmanagement,vol.96,pp.322-329,2015.

[2]h.t.nguyen,d.t.nguyen,andl.b.le,“energymanagementforhouseholdswithsolarassistedthermalloadconsideringrenewableenergyandpriceuncertainty,”ieeetransactionsonsmartgrid,vol.6,no.1,pp.301-314,2015.

[3]v.pilloni,a.floris,a.meloni,andl.atzori,“smarthomeenergymanagementincludingrenewablesources:aqoe-drivenapproach,”ieeetransactionsonsmartgrid,pp.1-1,2016.

[4]r.hemmati,“technicalandeconomicanalysisofhomeenergymanagementsystemincorporatingsmall-scalewindturbineandbatteryenergystoragesystem,”journalofcleanerproduction,vol.159,pp.106-118,2017.

[5]b.celik,r.roche,d.bouquain,anda.miraoui,“decentralizedneighborhoodenergymanagementwithcoordinatedsmarthomeenergysharing,”ieeetransactionsonsmartgrid,vol.9,no.6,pp.6387-6397,2018.

[6]o.erdinc,n.g.paterakis,t.d.p.mendes,a.g.bakirtzis,andj.p.s.catalao,“smarthouseholdoperationconsideringbi-directionalevandessutilizationbyreal-timepricing-baseddr,”ieeetransactionsonsmartgrid,vol.6,no.3,pp.1281-1291,2015.

[7]x.wu,x.hu,x.yin,ands.j.moura,“stochasticoptimalenergymanagementofsmarthomewithpevenergystorage,”ieeetransactionsonsmartgrid,vol.9,no.3,pp.2065-2075,2018.

[8]s.golshannavaz,“cooperationofelectricvehicleandenergystorageinreactivepowercompensation:anoptimalhomeenergymanagementsystemconsideringpvpresence,”sustainablecitiesandsociety,vol.39,pp.317-325,2018.

本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。